通过学离散调制器实现领域无关的少样本分类
机器学习
2020-09-18 v2 计算机视觉与模式识别
机器学习
摘要
尽管少样本学习研究在元学习的帮助下迅速发展，其实用性仍受限，因为大多数工作假设所有元训练与元测试样本来自单一领域。我们提出了一种简单而有效的少样本分类方法，其中任务分布跨越多个领域，包括元训练期间从未见过的领域。核心思想是构建一组模型以覆盖这一宽泛的任务分布，并通过跨领域元学习学会为特定任务选择最佳模型。池中所有模型共享一个基础网络，而每个模型拥有独立的调制器以各自方式精炼基础网络。该框架使模型池具备表征多样性而不丢失有益的领域不变特征。我们在跨不同领域的多种数据集上通过实验验证了所提算法的有效性。
引用
@article{arxiv.1909.04999,
title = {Domain-Agnostic Few-Shot Classification by Learning Disparate Modulators},
author = {Yongseok Choi and Junyoung Park and Subin Yi and Dong-Yeon Cho},
journal= {arXiv preprint arXiv:1909.04999},
year = {2020}
}
备注
Presented at NeurIPS 2019 Workshop on Meta-Learning (MetaLearn 2019)